机器学习的回归VS分类

本文概要

  • 分类
  • 回归
  • 回归与分类之间的区别
回归和分类算法是监督学习算法。这两个算法用于在机器学习和预测工作与标记的数据集。但两者之间的区别是它们是如何用于不同的机器学习问题。
该回归算法用于预测的连续值,如价格,工资,年龄等和分类算法来预测回归和分类算法之间的主要区别/分类的离散值,如男性或女性,True或False,垃圾邮件或者非垃圾邮件等。
请看下图:
机器学习的回归VS分类

文章图片
分类分类是找到一个函数,这有助于在将所述数据集成基于不同参数的类的处理。在分类上,计算机程序被训练在训练数据集,并根据培训,它的分类数据到不同的类别。
分类算法的任务是找到映射函数映射输入(x)与离散输出(Y)。
例如:了解分类问题的最好的例子就是电子邮件垃圾邮件检测。该模型被训练的数以百万计的不同参数的电子邮件的基础上,只要收到新的电子邮件,它标识的邮件是否是垃圾邮件。如果电子邮件是垃圾邮件,然后将它移动到垃圾邮件文件夹。
ML分类算法的类型:
分类算法可以进一步分为以下几种类型:
  • Logistic回归
  • K-近邻
  • 支持向量机
  • 核SVM
  • 朴素贝叶斯
  • 决策树分类
  • 随机森林分类
回归回归是查找变量和自变量之间的相关性的处理。它有助于预测连续变量,如市场趋势,房价的预测等的预测
回归算法的任务是找到映射函数映射所述输入变量(x)的连续输出变量(y)。
例如:假设我们想要做的天气预报,所以对于这一点,我们将使用回归算法。在天气预报中,模型被训练在过去的数据,一旦训练完成,它可以很容易地预测天气未来几天。
【机器学习的回归VS分类】回归算法的类型:
  • 简单线性回归
  • 多元线性回归
  • 多项式回归
  • 支持向量回归
  • 决策树回归
  • 随机森林回归
回归与分类之间的区别
回归算法分类算法
在回归中,输出变量必须是连续的或实值。在分类中,输出变量必须是离散值。
回归算法的任务是映射的输入值(x)的与连续输出变量(y)的。分类算法的任务是将输入值(x)与离散输出变量(y)进行映射。
回归算法用于连续数据。分类算法使用具有离散的数据。
在回归中,我们试图找到最合适的直线,这样可以更准确地预测输出。在分类中,我们尝试寻找决策边界,将数据集划分为不同的类。
回归算法可以用来解决回归问题如天气预报,住宅价格预测等分类算法可用于解决垃圾邮件的识别、语音识别、癌细胞识别等分类问题。
回归算法可进一步分为线性回归和非线性回归。分类算法可以分为二元分类和多类分类。

    推荐阅读